Arenev tehnoloogia võimaldab mõõta koduste vahenditega üha rohkem kehas toimuvaid protsesse, millest oli varem võimalik saada ülevaadet ainult arstikabinetis. Kas rohkem andmeid toob tervise või hoopis viib mõistuse?

Purjakil härrasmees otsib midagi tänavavalgusti all. Politseinik astub ligi ja küsib mehelt, mida ta otsib.
„Oma võtmeid,” vastab mees.
Nüüd otsivad mõlemad valgusvihus mehe võtmeid.
Mõne minuti pärast küsib politseinik: „Oled sa kindel, et sa need siin kaotasid?”
„Ei,” vastab mees, „pargis kaotasin.”
„Aga miks sa siis siit otsid?”
„Pargis on pime, siin on rohkem valgust.”

Noam Chomskyon märkinud, et teadus tervikuna toimib umbes samamoodi nagu see tipsutanud härra: otsitakse sealt, kus on piisavalt andmeid ja lihtne otsida. Pimeduses kobamine ei oleks kaugeltki nii tulemuslik. Tegemist on tänavavalgusti efektiga (ingl streetlight effect).¹

Igapäevaselt nutikella ja -sõrmust kandval inimesel on tehniliselt ligipääs enam kui 70 tervisemõõdikule ja nende põhjal tuletatud skoorile. Andmed, mida seadmed oskavad mõõta, tõlgendatakse üsna julgeteks üldistusteks. Näiteks annab Oura sõrmus hindeid kandja unele ja aktiivsusele ning ütleb, kas „valmisolek” on parajasti hea või kehv, kas tasub trennis täiega panna või peaks rahulikult võtma. Soovitused tuginevad andmetele, millele sõrmusel on ligipääs. Ja ehkki neid on terve hulk, mõõdavad ja kaardistavad need vaid murdosa protsessidest, mis meie kehas toimuvad. Kuna aga palju rohkem toimub sõrmuse jaoks piltlikult öeldes „pimedas pargis”, tehakse üldistusi olemasolevate andmete alusel.

Ega sellest polekski tegelikult midagi, et algoritmilised numbrid ja graafikud kuskil taustal jooksevad, kui mängu ei sekkuks notseeboefekt. Ühe uuringu² käigus luisati inimestele natuke nende uneskoori kohta ja seejärel pandi nad kognitiivse võimekuse teste tegema. Selgus, et kui inimene arvas, et ta on kehvasti maganud ja sellest tulenevalt natuke aeglasema mõtlemisega, oli tema tulemus kehvem, ning, vastupidi, kui inimesele kinnitati, et ta magas hästi, oli tema sooritus parem. Unemõõtjate laiatarbekasutusse tulek on tekitanud ka tendentsi, et kui tahetakse tubli koolilapsena magamise eest paremat hinnet saada, siis minnakse varem voodisse ja hakatakse elevusega ootama, et uni juba tuleks. Mõne aja möödudes saab elevusest ärevus, et uni ei tulegi, silme ees tiksub üha kahanev uneskoor ning unest saab saavutamatu unelm. Tehnoloogiavidinate abiga une jälgimine võib seega paradoksaalselt unekvaliteeti hoopis halvendada. Unest, nagu ka kõigest muust mõõdetavast, on saanud sooritus. Hea une hullusel on isegi nimi: ortosomnia.³

Tehnoloogiavidinate abiga une jälgimine võib seega paradoksaalselt unekvaliteeti hoopis halvendada. Unest, nagu ka kõigest muust mõõdetavast, on saanud sooritus.

Ka teisi tehnoloogia antavaid hinnanguid kiputakse uskuma rohkem kui iseennast. Sest tehnoloogia, see on ju algoritmid, arvutused, matemaatika, samas inimkeha ja selle tunded on ülimalt subjektiivsed. Seega saab neist hinnangutest isetäituv ennustus – häälestume nii, nagu numbrid ütlevad. Või siis hõõrutakse soola haavale, teatades, et „sa ei liikunud täna piisavalt” või „pinguta natuke veel, et liikumiseesmärk täita”, mis võib viia veel hilisõhtul rampväsinuna maja ümber ringe jalutama. Kainelt järele mõeldes oleks sel hetkel puhkusest ehk rohkem kasu kui sammustressist. 

Viimase aja tervise-fad on glükoosisensorite kasutamine ilma näidustuseta ja sellega seoses on areenil tagasi ka süsivesikuhirm. Teadlikkus veresuhkrust on toonud kaasa selle, et loobutakse entusiastlikult puuviljade, leiva või jäätise söömisest eraldi söögikorrana, sest kuuldavasti põhjustavad sagedased veresuhkru tõusud diabeeti ja kiiremat vananemist. Tegelikult puuduvad suured populatsiooniuuringud selle kohta, mis piirides võiks terve inimese veresuhkur kõikuda, ning praeguste teadmiste kohaselt ei ole tõusud kuidagi alarmeerivad, vaid lihtsalt keha normaalne reaktsioon söömisele. Aga kandjale antakse hoiatus, nagu šokolaad või banaan viiks ta kohe mitu sammu diabeedile lähemale. Tuleb ka ette, et sensor ajab kandja öösel alarmiga üles, kuna registreerib madala veresuhkru näidu. Diabeedi põdeja jaoks võib see olla elupäästev, kuid tervel inimesel on öine veresuhkru langus enamasti füsioloogiline ja ohutu. Aga uni on rikutud.

Kui täpne on piisavalt täpne?

Meile meeldivad numbrid. Õigemini, meile meeldivad täpsed numbrid. Näiteks 367 kilokalorit tundub korrektne, kontrollitav ja teaduslik, aga umbes 400 kilokalorit tõlgendub ajus lohakaks ja ebausaldusväärseks – see on lihtsalt hinnang, mitte kontrollitud väärtus. Täpsuskallutatus (ingl precision bias) on kognitiivne kalduvus pidada infot seda tõepärasemaks, mida detailsemalt see on esitatud. Seda kasutavad ära nii turundajad kui ka wellness-vidinate loojad. Mida rohkem ja täpsemaid andmeid meil tundub olevat, seda suurem on illusoorne kontroll ja seda usaldusväärsemad näivad nende numbrite allikad.

Iroonilisel kombel on kogu kaloriarvutuse keerukas süsteem rajatud kanajalgadele ning ebatäpsusi, mis lõpptulemuse viga eksponentsiaalselt muudkui kasvatavad, lisandub arvutuse igas etapis. Wilbur Atwater mõõtis toitude kalorisisaldust 19. sajandi lõpus ja toona rajatud süsteem püsib siiani. Kõik kaloriarvutusprogrammid „teavad”, et süsivesikud ja valgud sisaldavad 4 kcal grammi kohta, rasvad 9. Tegelikult on tegemist keskmistatud väärtustega, süsivesikute ja valkude energiasisaldus kõigub kuskil 3,4 ja 4,4 vahel, rasvadel 8,3 ja 9,5 vahel. Kalorisisaldust hindas Atwater toiduaineid põletades ning eralduvat soojusenergiat mõõtes. Ja ehkki me räägime ka energia kasutamise kontekstis kalorite põletamisest, ei ole inimkeha puhul tegemist ahjuga. Kui palju energiat me mingist toidust välja pigistame, sõltub mitmetest faktoritest, identse toiduportsjoni kalorihulk ei ole kahe inimese jaoks sama. Andmebaasides olev info on keskmistatud – 100 grammi avokaado toitainete vahekord ja energiasisaldus ei ole tegelikult konstant. Toidutootjad tuginevad toitumisalase info arvutamisel omakorda nendele andmebaasidele ning mõnel puhul, näiteks kellegi teise toodetud koostisosi kasutades, ka eelmise arvutaja arvutustele. Kalorilugeja saab vaid loota, et arvutajad matemaatikatunnis õpetajat kuulasid. Muidugi on toitumisalase info esitamine Euroopa Liidu määrusega reguleeritud. Tootjal on eksimisruumi 20 protsenti, seega kui pakendile on märgitud 200 kcal, tähendab see tegelikult vahemikku 160–240 kcal. Pistelisi kontrolle tehes tuvastatakse ka suuremaid hälbeid.

Viimase aja tervise-fad on glükoosisensorite kasutamine ilma näidustuseta ja sellega seoses on areenil tagasi ka süsivesikuhirm.

Kui varem pidi toitumist jälgides toidu üle kaaluma ja manuaalselt äppi sisestama, saamaks teada, et taldrikutäis sisaldab täpselt 684 kcal, siis nüüd teeb selle tüütu töö ära tehisintellekt. Klõpsad ühe pildi, TI analüüsib seda ja voilà – teatabki sulle (mõistagi jälle täpselt!) toidu energiahulga. Edasiminek missugune! Või kas ikka on? Ei pea olema ekspert, et mõista, kui palju asju saab selles analüüsis valesti minna. Ning ehkki rakenduste loojad teavad väga hästi, et programm suudab heal juhul arvutada vahemiku, on nad kursis ka täpsuskallutatuse kontseptsiooni ja selle mõjuga tarbijale. Seega kuvatakse võltstäpne number. Need numbrid omakorda liidetakse kokku päevaseks kogutarbimiseks, mis hakkab siis kasutaja käitumist ja enesehinnangut mõjutama. Kes on kasutanud MyFitnessPali või mõnd sarnast rakendust kehakaalu kontrollimise eesmärgil, teab hästi, kuidas roheline number, mis indikeerib, et ollakse tarbinud päevasest eesmärgist vähem, teeb tuju heaks ja punane, mis näitab ületarbimist, tundub läbikukkumisena. Selline täpsuse tagaajamine on umbes sama, kui üritaks mõõta teed Tartust Elvasse millimeetrise täpsusega, kasutades kummist mõõdulinti – see on pseudokontroll.

Mida veel mõõta saaks?

Mida aeg edasi, seda rohkem valgusteid parki tekib. Teisisõnu osatakse mõõta üha enam parameetreid. Info, mis oli varem kättesaadav vaid arstikabinetis, on nüüd leidnud endale koha randmel, sõrmes, telefonis. Andmed ei ole küll enamasti nii täpsed kui meditsiiniliste seadmetega mõõtes, aga kasutajale piisab ka illusioonist, et ta teab kindlalt, kuidas ta magas, liikus, sõi ning mis seisus on tema süda ja hapnikutarbimine. Terviseseisundi pidev monitoorimine võib mõnele inimesele tõesti ka kasuks tulla, tõsta motivatsiooni, anda märku üldistest tendentsidest. Tehnoloogiahuvilistele võivad need olla lihtsalt huvitavad mänguasjad, seda ei saa ka kellelegi pahaks panna.⁴Kui aga tervisemõõdikud jooksevad pidevalt silme ette keskmisest suurema kontrollivajadusega inimesele, võib see viia tõsiste probleemideni. Ühelt poolt mõõtmisvea pärast, teisalt seetõttu, et tavainimene ei oska tõlgendada neid andmeid viisil, mis võimaldaks piisavalt seoseid luua ja mõista, et iga seadme väljastatud alarm ei tähenda tegelikult, et midagi on korrast ära. Seega, terviseärevike jaoks võib see olla tulega mängimine.

Kui palju energiat me mingist toidust välja pigistame, sõltub mitmetest faktoritest, identse toiduportsjoni kalorihulk ei ole kahe inimese jaoks sama.

See, et oskame nii paljusid asju mõõta, ei tähenda, et seda tingimata peaks tegema. Haiglates on olemas tipptasemel tehnoloogia ja oskused, et mõõta, testida, monitoorida ja interpreteerida lugematul hulgal parameetreid. Ometi ei panda taastusravi statsionaaris inimesele külge sama palju juhtmeid, voolikuid ja andureid kui intensiivravi osakonnas. Kuluefektiivsusest rääkimata ei ole selle andmehulgaga lihtsalt midagi peale hakata, see on müra, mis võib halvemal juhul lausa takistada adekvaatsete raviotsuste tegemist. Pidevalt oma terviseandmeid jälgides ja nende põhjal ka käitumist kohandades paigutame end sisuliselt ise intensiivi. Ja see on närvisüsteemile päris hull koormus.

Keelemudel on yes-man

Kui tavainimene ei suuda kogu kättesaadavat terviseinfot interpreteerida, siis tehisaru jaoks pole see mingi probleem. Täpsemini ongi suurtest andmemassiividest mustrite ja seoste leidmine keelemudelite kõige suurem võlu. Aasta alguses teatasid nii OpenAI kui ka Anthropic, et peagi jõuab nende kasutajate käsutusse tervisemoodul.⁵ OpenAI kohaselt on terviseküsimused juba praegu enim küsitute seas, iga nädal pöördub doktor GPT poole sadu miljoneid inimesi. Uue mooduli eripäraks on tugevamad privaatsusseaded, seega võib arendaja sõnul sinna julgelt kasvõi terve oma terviseandmestiku üles laadida. See krüpteeritakse ning ChatGPT Healthis peetud vestlusi ei kasutata keelemudeli treenimiseks, samuti ei tule see info üles teistes vestlustes. Karmimate andmekaitseregulatsioonide tõttu Euroopa kasutajad esialgu tervisemoodulitele siiski ligi ei pääse.

Kui keelemudeleid suudetakse treenida selliselt, et need võtavad arvesse ka inimese individuaalset riski hüpohondriasse laskuda ja maandavad selle, ei ole kahtlustki, et see viib ennetava tervishoiu sammhaaval uuele tasemele. Ükski inimene ei suuda sellist andmehulka läbi töötada, meeles pidada, arvesse võtta ja seoseid luua. Praeguseks on juba mitmete katsetega tõestatud, et keelemudelite diagnostiline täpsus ja soovituste asjakohasus on mingites olukordades ka võimekaimate arstide omast peajagu üle.⁶ See ei tähenda, et tehisaru arstide töö üle võtaks, sest konteksti tajumises ja paljudes praegu veel puhtinimlikes kompetentsides on see jätkuvalt saamatu.

Ehkki kiusatus tehisaru life coach’ina kasutada võib olla suur, on sel nõustamisalaselt siiski piiranguid, mida tavakasutaja ei pruugi aduda.

Küll aga tuleks tajuda kriitiliselt tehnoloogia kitsaskohti. Ehkki kiusatus tehisaru life coach’ina kasutada võib olla suur, on sel nõustamisalaselt siiski piiranguid, mida tavakasutaja ei pruugi aduda. Nõustamiseks on vaja emotsionaalset intelligentsust ja oskust piiri tõmmata. Näiteks inimeste jaoks, kes on loomult perfektsionistlikud, ärevamad või obsessiiv-kompulsiivsed, võivad need vestlused osutuda sügavaks jäneseuruks.⁷ Tegelikult võib see juhtuda pea igaühega meist, kui meid tabab mingi suuremat sorti mure, millega me kohe kuskilt mujalt abi ei saa või ärakuulamist ei leia. Teatavasti on arstil iga patsiendi jaoks aega loetud minutid. Selge see, et värske diagnoosi korral soovime rohkem teada, tekib igasugu hirme ning see võib teinekord viia tundidepikkuse virtuaalse rumineerimiseni. Inimene, kas siis spetsialist või sõber, näeks sellises kompulsiivsuses ohumärke. Aga keelemudel enamasti ei ütle, et aitab nüüd küll, see vestlus ei tee sulle head, õpime parem tehnikaid, kuidas mõtteid mujale viia. Selle asemel pakutakse vastuse lõpus: „Kas soovid, et joonistan sulle riski realiseerumise tõenäosusest nüüd graafiku? Anna teada ja kohe teeme ära!” Vestlused lähevad detailseks ja kuna vestluskaaslane tahab meeldida, siis piisava pinnimise ja küsimuste õigesti sõnastamise peale võibki lõpuks oma suurimatele hirmudele kinnituse välja pigistada või näiteks häirunud söömiskäitumisele õigustuse välja lugeda.

Kas tehisaru õpib inimeselt või inimene tehisarult?

Toitumisnõuandeid võib tehisarult muidugi küsida, näiteks kui uurida, et kui kolesterool on kõrge, siis mida sööma peaks, saab täiesti adekvaatse vastuse. Kui aga asi muutub komplitseeritumaks, näiteks taustal on meditsiinilised, vaimsed või sotsiaalsed faktorid, mis seal tavaliselt ka on, tasub olla ettevaatlik. Kallutatud küsimused ajavad tehisaru pahatihti ka hallutsineerima, sest tema arvates võib olla hetkel kõige kasulikum see, et kasutaja saab oma arvamusele kinnituse.

Tehisaru ei mõtle ega hinda olukorda tervikuna – tal ei ole ei häid ega ka halbu kavatsusi. Keelemudel teeb üht: ennustab, milline vastus tundub vastavas kontekstis kasutajale kasulik. Kui inimene küsib, kas õhtune söömine takistab kaalulangust, ei uuri tehisaru, miks see küsimus üldse oluline on, kas kaalulanguse soov on põhjendatud või kas küsijal võib olla kalduvus piiravale söömiskäitumisele. Küsimust käsitletakse legitiimse hüpoteesina ning sellele vastatakse teadusliku keele ja seostega. Vastused võivad olla korrektsed, nüansseeritud ja veenvad, ent need jäävad fragmentideks. Keelemudel ei pruugi näha mustrit, kus inimene otsib kinnitust ennasthävitavale kontrollile. Ootus, et selline süsteem pakub inimlikku piiritunnetust, on ekslik – vastutus ei lasu mudelil, vaid selle kasutajal.

Lõpuks taandub küsimus sellele, kes peaks meie terviseotsuseid tegema. Kui usaldame pimesi ekraanilt vastu vaatavat skoori, muutume omaenda elus alluvateks ega julge ilma algoritmi heakskiiduta puhata ega süüa. Tehnoloogia võib mõõta pulssi, samme, und, glükoosi ja hapniku taset ning aidata neid mõõdikuid ka tõlgendada, tõenäoliselt ajas kasvava täpsusega, aga kuklas võiks hoida mõtet, et ainult sina tead, mis tunne on olla sina.

Kaisa Kopliste huvitub kehade, toitumiskäitumise ja enesepildi seostest sotsiokultuurilises kontekstis ning tegeleb aktiivselt söömist ja kehasid puudutavate arusaamade kõigutamise ja käibemüütide kummutamisega.

1. Barsky, R. F. 1997. Noam Chomsky: A Life of Dissent. MIT Press. ↩︎
2. Draganich, C.; Erdal, K. 2014. Placebo sleep affects cognitive functioning. – Journal of Experimental Psychology: Learning, Memory, and Cognition. ↩︎
3. Baron, K. G. jt 2017. Orthosomnia: Are Some Patients Taking the Quantified Self Too Far? – Journal of Clinical Sleep Medicine. ↩︎
4. Estes, A. C. 2025. I Covered My Body in Health Trackers for 6 Months. It Ruined My Life: Are Gadgets Like Apple Watches and Oura Rings Making Us Any Healthier? – Vox. ↩︎
5. Introducing ChatGPT Health. – OpenAI, 2026.
   Advancing Claude in Healthcare and the Life Sciences. – Anthropic, 2026.  ↩︎
6. Zeltzer, D. jt 2025. Comparison of Initial Artificial Intelligence (AI) and Final Physician Recommendations in AI-Assisted Virtual Urgent Care Visits. – Annals of Internal Medicine.
   League, J.; Roller, S. 2025. Doctors vs. AI: Who Is Better at Making Diagnoses? – Advisory Board. ↩︎
7. Samuel, S. 2025. ChatGPT and OCD Are a Dangerous Combo: For People with OCD, Reassurance Can Be Harmful. – Vox. ↩︎
8. Germini, F. jt 2022. Accuracy and Acceptability of Wrist-Wearable Activity-Tracking Devices: A Systematic Review of the Literature. – JMIR mHealth and uHealth.
   Dooley, E. E. jt 2017. Estimating Accuracy at Exercise Intensities: A Comparative Study of Self-Monitoring Heart Rate and Physical Activity Wearable Devices. – JMIR mHealth and uHealth.
   Caserman, P. jt 2024. Assessing the Accuracy of Smartwatch-Based Estimation of Maximum Oxygen Uptake Using the Apple Watch Series 7. – JMIR Biomedical Engineering.
   Bai, Y. jt 2021. Comprehensive Comparison of Apple Watch and Fitbit Trackers in Free-Living Conditions. – PLOS One.
   Robbins, R. jt 2024. Accuracy of Three Commercial Wearable Devices for Sleep Tracking in Healthy Adults. – Sensors. ↩︎